CN110553374A - 空调控制方法、装置及计算机可读存储介质 - Google Patents

空调控制方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110553374A
CN110553374A CN201910855487.4A CN201910855487A CN110553374A CN 110553374 A CN110553374 A CN 110553374A CN 201910855487 A CN201910855487 A CN 201910855487A CN 110553374 A CN110553374 A CN 110553374A
Authority
CN
China
Prior art keywords
temperature
neural network
sub
value
threshold
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910855487.4A
Other languages
English (en)
Other versions
CN110553374B (zh
Inventor
于昊
李元阳
阎杰
罗彬�
梁锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GD Midea Heating and Ventilating Equipment Co Ltd
Shanghai Meikong Smartt Building Co Ltd
Original Assignee
Midea Group Co Ltd
GD Midea Heating and Ventilating Equipment Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Midea Group Co Ltd, GD Midea Heating and Ventilating Equipment Co Ltd filed Critical Midea Group Co Ltd
Priority to CN201910855487.4A priority Critical patent/CN110553374B/zh
Publication of CN110553374A publication Critical patent/CN110553374A/zh
Application granted granted Critical
Publication of CN110553374B publication Critical patent/CN110553374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/89—Arrangement or mounting of control or safety devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种空调控制方法，包括如下步骤：获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长；根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量；根据所述输出控制量，调节所述目标室内机对应的冷媒管道的阀门开度，以调节所述目标室内机的冷媒流量。本发明还公开了一种空调控制装置及计算机可读存储介质。本发明直接在线训练神经网络的方式，快速将环境温度调节至目标温度值，解决了中央空调控制温度精度差，稳定性差和超调严重的问题，并且需要调节的参数少，不需要预先训练，代替人工运行测试，解决了人工调试成本高的问题。

Description

空调控制方法、装置及计算机可读存储介质
技术领域
本发明涉及空调技术领域，尤其涉及一种空调控制方法、装置及计算机可读存储介质。
背景技术
中央空调的系统结构复杂，控制回路多，且容易受到外部环境扰动及很多大滞后等不可控因素干扰，例如温度，流量等。中央空调的系统结构的非线性、时变、大滞后等特性，即当前系统的控制信号要等很长时间才能在系统的输出中反映，使得被控区域在比较长时间的响应下才能达到工艺要求，或者与工艺要求的温度存在偏差。
传统的中央空调大多数采用的是PID控制，PID控制具有结构简单，易于实现，计算过程简单等特点，因此得到了广泛应用，但在实际应用中，传统的中央空调中的PID控制需要进行复杂且耗时的参数整定过程，参数选取不当容易导致系统控制温度精度差，稳定性差，或者超调严重等，并且需要进行大量的在线运行测试，加入大量的人工调试成本，导致人工调试成本高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种空调控制方法、装置及计算机可读存储介质，旨在解决中央空调控制温度精度差、稳定性差的技术问题。
为实现上述目的，本发明提供一种空调控制方法，所述空调控制方法包括以下步骤：
获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长；
根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量；
根据所述输出控制量，调节所述目标室内机对应的冷媒管道的阀门开度，以调节所述目标室内机的冷媒流量。
在一实施例中，所述根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量的步骤包括：
获取所述第一温度序列中的第一子温度，其中，所述第一子温度为第一温度序列中的首个子温度；
根据所述第一子温度和第一温度，基于所述神经网络确定所述环境温度与所述目标室内机的温度设定值之间的误差；
根据所述误差和第一训练步长，确定所述神经网络输出层的输出控制量。
在一实施例中，所述根据所述误差和第一训练步长，确定所述神经网络输出层的输出控制量的步骤包括：
获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值；
根据所述第一权值、第一阈值、第二权值、第二阈值、误差和第一训练步长，确定所述第一权值的第一权值偏置量、第一阈值的第一阈值偏置量、第二权值的第二权值偏置量，以及第二阈值的第二阈值偏置量；
根据所述第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定所述输出控制量。
在一实施例中，所述根据所述第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定所述输出控制量的步骤包括：
根据所述第一权值和第一权值偏置量，确定所述神经网络的输入层与隐含层之间的第三权值；
根据所述第一阈值和第一阈值偏置量，确定所述神经网络的输入层与隐含层之间的第三阈值；
根据所述第二权值和第二权值偏置量，确定所述神经网络的隐含层与输出层之间的第四权值；
根据所述第二阈值和第二阈值偏置量，确定所述神经网络的隐含层与输出层之间的第四阈值；
根据所述第三权值、第三阈值、第四权值和第四阈值，确定所述神经网络输出层的输出控制量。
在一实施例中，所述获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长的步骤之前，还包括：
获取所述神经网络当前的第二训练步长；
所述获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值的步骤包括：
判断所述第二训练步长是否等于所述第一训练步长；
若所述第二训练步长不等于所述第一训练步长，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数；
根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值。
在一实施例中，所述判断所述第二训练步长是否等于所述第一训练步长的步骤，还包括：
若所述第二训练步长等于所述第一训练步长，则确定当前是否存在所述目标室内机对应的历史调节数据；
若不存在所述目标室内机对应的历史调节数据，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数，根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值；
若存在所述目标室内机对应的历史调节数据，则基于所述历史调节数据，获取所述第一权值和第一阈值、第二权值和第二阈值。
在一实施例中，所述获取神经网络的第一训练步长的步骤包括：
获取所述目标室内机所处环境的环境温度对应的第二温度序列；
基于所述第二温度序列，确定所述神经网络的第一训练步长。
在一实施例中，所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤包括：
获取所述第二温度序列中的第一子温度、第二子温度，以及缓存区的第一缓存区中存储的第一缓存值，其中，所述第一子温度为所述第二温度序列中的首个子温度，第二子温度为所述第二温度序列中的第二个子温度；
判断所述第一子温度与所述第一缓存值的乘积是否小于第一预设阈值；
若所述第一子温度与所述第一缓存值的乘积小于第一预设阈值，则基于所述第一子温度和所述第二子温度，确定所述神经网络的第一训练步长；
若所述乘积大于或等于所述第一预设阈值，则获取所述目标室内机所处环境的环境温度对应的第三温度序列，将所述第三温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在一实施例中，所述缓存区包括第一缓存区、第二缓存区和第三缓存区，所述基于所述第一子温度和所述第二子温度，确定所述神经网络的第一训练步长的步骤包括：
判断所述第一子温度是否大于所述第二子温度；
若所述第一子温度大于所述第二子温度，则判断所述第二子温度是否大于第二预设阈值；
若所述第二子温度大于第二预设阈值，则调整所述第一缓存区中的值、第二缓存区中的值和第三缓存区中的值，基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定所述神经网络的第一训练步长；
若所述第二子温度小于或等于第二预设阈值，则获取所述目标室内机所处环境的环境温度对应的第四温度序列，将所述第四温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在一实施例中，所述基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定所述神经网络的第一训练步长的步骤包括：
获取调整后的第一缓存区中的第二缓存值、调整后的第二缓存区中的第三缓存值，以及调整后的第三缓存区中的第四缓存值；
基于所述第二缓存值、第三缓存值和第四缓存值，确定所述神经网络的第一训练步长。
在一实施例中，所述基于所述第二缓存值、第三缓存值和第四缓存值，确定所述神经网络的第一训练步长的步骤包括：
获取所述中央空调目标室内机当前设定的第二温度；
判断所述第二缓存值与所述第二温度之差的第一绝对值是否大于所述第三缓存值与所述第二温度之差的第二绝对值，且所述第二绝对值是否大于或等于所述第四缓存值与所述第二温度之差的第三绝对值；
若所述第一绝对值大于所述第二绝对值，且所述第二绝对值大于或等于所述第三绝对值，则获取所述神经网络当前的第三训练步长和缩减比例，并基于所述第三训练步长和缩减比例，确定所述神经网络的第一训练步长；
若所述第一绝对值小于或等于所述第二绝对值，或所述第二绝对值小于所述第三绝对值，则获取所述目标室内机所处环境的环境温度对应的第五温度序列，将所述第五温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在一实施例中，所述调整所述第一缓存区中的值、第二缓存区中的值和第三缓存区中的值的步骤，还包括：
将所述第二缓存区的值存至所述第三缓存区，将所述第一缓存区的值存至第二缓存区，将所述第一子温度存至第一缓存区。
在一实施例中，所述判断所述第一子温度是否大于所述第二子温度的步骤，还包括：
若所述第一子温等于所述第二子温度，则获取所述目标室内机所处环境的环境温度对应的第六温度序列，将所述第六温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤；
若所述第一子温度小于所述第二子温度，则判断所述第二子温度是否小于第二预设阈值；
若所述第二子温度小于第二预设阈值，则执行所述调整所述第一缓存区、第二缓存区和第三缓存区中的值，基于所述第一缓存区、第二缓存区和第三缓存区中的值，确定所述神经网络的第一训练步长的步骤。
在一实施例中，所述判断所述第二子温度是否小于第二预设阈值的步骤，还包括：
若所述第二子温度大于或等于第二预设阈值，则获取所述目标室内机所处环境的环境温度对应的第七温度序列，将所述第七温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
此外，为实现上述目的，本发明还提供一种空调控制装置，所述空调控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调控制程序，所述空调控制程序被所述处理器执行时实现前述的空调控制方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有空调控制程序，所述空调控制程序被处理器执行时实现前述的空调控制方法的步骤。
本发明通过获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长，根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量，根据所述输出控制量，调节所述目标室内机对应的冷媒管道的阀门开度，以调节所述目标室内机的冷媒流量，将实时的环境温度转换成离散序列作为神经网络模型的输入，采用在线训练神经网络的方式，根据当前环境温度不断调节阀门开度，不断缩小环境温度与室内机设定的目标温度值的差距，快速将环境温度调节至目标温度值，提高了温度控制的精度和系统的稳定性，解决了中央空调控制温度精度差，稳定性差和超调严重的问题，并且需要调节的参数少，不需要预先训练，代替了大量的人工在线运行测试，解决了人工调试成本高的问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的空调控制装置结构示意图；
图2为本发明空调控制方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的空调控制装置结构示意图。
如图1所示，该空调控制装置可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，空调控制装置还可以包括RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。当然，空调控制装置还可配置气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的空调控制装置结构并不构成对空调控制装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及空调控制程序。
在图1所示的空调控制装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的空调控制程序。
在本实施例中，空调控制装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的空调控制程序，其中，处理器1001调用存储器1005中存储的空调控制程序，并执行以下空调控制方法的各个实施例中的操作。
本发明还提供一种空调控制方法，参照图2，图2为本发明空调控制方法第一实施例的流程示意图。
在本实施例中，该空调控制方法包括：
步骤S10，获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长；
本发明实施例以中央空调进行举例说明，目标室内机为中央空调中的任一室内机。
其中，第一温度序列、第一温度和第一训练步长均为训练神经网络所需的重要参数。第一温度序列表示中央空调目标室内机所处环境的环境温度，为神经网络正向输出时输入层的训练样本序列；第一温度为用户手动设定或系统自动设定目标室内机当前温度值；第一训练步长为训练神经网络过程中收敛神经网络的输出控制量的参数。
在本实施例中，训练神经网络开始或者在训练神经网络的过程中，通过中央空调中的温度检测装置，实时检测目标室内机所处环境的环境温度。将检测到的连续的环境温度转换成离散的温度值，并按照时间顺序将离散的温度值依次存进温度序列中去，通过中央空调的控制装置获取当前存储的温度序列，以获得第一温度序列，其中当前时刻检测到的温度值为第一温度序列的首个子温度。其中，温度检测装置设置在中央空调的目标室内机所处的环境中，可设置在目标室内机的送风口处，温度检测装置可以是感温管、贴片式传感器、温度探头、红外温度传感器或具有检测温度功能的仪器等等；控制装置可以是具有控制设备运行工作和系统参数采集的集成电路控制芯片，如S7-200系统控制芯片。
通过中央空调的控制端，用户手动设定或系统自动设定目标室内机的温度控制参数，空调系统的控制装置获取目标室内机当前设定的第一温度。其中，目标室内机的温度控制参数一般为定值，即控制装置所获取的第一温度一般为定值，如18℃、19℃或20℃等等；中央空调的控制端可以是线控器、集控器、遥控器或其他移动终端等等。
实时获取神经网络当前的训练步长作为第一训练步长，其中，所获取的第一训练步长可以是初始化设置神经网络训练步长的初始值，或者是更新训练步长之前的第一训练步长，或者是更新训练步长之后的第一训练步长。进一步地，实时更新训练步长的线程独立于训练神经网络线程，也就是说，在训练神经网络的过程中，同时在更新神经网络的训练步长。
步骤S20，根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量；
在本实施例中，获取第一温度序列、第一温度和第一训练步长后，将第一温度序列、第一温度和第一训练步长作为神经网络的输入，以获得神经网络的正向输出，即神经网络的输出控制量。其中，神经网络包括输入层、隐藏层以及输出层，每一层都具有输入量和输出量，输入层与隐藏层之间以及隐藏层与输出层之间都具有权值和阈值；神经网络一般为BP神经网络(Back Propagation Neural Network，多层前馈神经网络)。
训练神经网络过程开始，将第一温度序列作为训练样本输入到神经网络的输入层中训练，并且将第一温度和第一训练步长输入神经网络。首先，对神经网络进行正向传播过程的运算，确定神经网络中所有的激活值，激活值包括神经网络隐含层的输出控制量等。之后，对神经网络进行反向传播过程的运算，针对神经网络每一层的每一个节点，确定每个节点的新的权值和阈值，新的权值和阈值表明了该节点对输出层的最终的输出控制量对应的权值和阈值产生了多少影响。最后，确定并输出神经网络输出层的输出控制量。其中，神经网络的训练过程由正向传播过程和反向传播过程组成，正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态；反向传播过程，将误差信号沿原来的连接通路返回，通过修改各神经元的权值和阈值，使误差最小。
步骤S30，根据所述输出控制量，调节所述目标室内机对应的冷媒管道的阀门开度，以调节所述目标室内机的冷媒流量。
在本实施例中，确定输出控制量后，获取该输出控制量，并根据输出控制量，确定目标室内机对应的冷媒管道的阀门开度，输出阀门开度，将目标室内机对应的冷媒管道的阀门调节至该开度，以调节冷媒管道处的冷媒流量，从而进一步调节目标室内机对应的环境温度。通过控制目标室内机对应的冷媒管道处的阀门的开度大小，控制冷媒管道中的冷媒流量大小，以控制流经室内机的冷媒流量，进而控制从室内机送风口传输到室内的冷量，达到调节室内温度的效果。
本实施例提出的空调控制方法，通过获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长，根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量，根据所述输出控制量，调节所述目标室内机对应的冷媒管道的阀门开度，以调节所述目标室内机的冷媒流量，将实时的环境温度转换成离散序列作为神经网络模型的输入，采用在线训练神经网络的方式，根据当前环境温度不断调节阀门开度，缩小环境温度与室内机设定的目标温度值的差距，快速将环境温度调节至目标温度值，提高了温度控制的精度和系统的稳定性，解决了中央空调控制温度精度差，稳定性差和超调严重的问题，并且需要调节的参数少，不需要预先训练，代替了大量的人工在线运行测试，解决了人工调试成本高的问题。
基于第一实施例，提出本发明空调控制方法的第二实施例，在本实施例中，步骤S20包括：
步骤a，获取所述第一温度序列中的第一子温度，其中，所述第一子温度为第一温度序列中的首个子温度；
在本实施例中，获取第一温度序列后，从中获取第一个子温度作为第一子温度。其中，第一温度序列为神经网络当前的训练样本序列，第一温度序列可表示为{y(n),y(n-1),...,y(n-m-1),y(n-m)}；第一子温度为当前采样到的离散温度值，表示中央空调目标室内机所处环境当前的环境温度，第一子温度可表示为y(n)，n和m均为实数。
步骤b，根据所述第一子温度和第一温度，基于所述神经网络确定所述环境温度与所述目标室内机的温度设定值之间的误差；
在本实施例中，获取第一子温度和第一温度后，对神经网络进行前向传播过程的运算，计算神经网络中所有的激活值，其中激活值包括环境温度与目标室内机的温度设定值之间的误差，根据该第一子温度和第一温度，计算环境温度与目标室内机的温度设定值之间的误差。其中，环境温度与目标室内机的温度设定值之间的误差e(n)的计算公式如下：
e(n)＝y(n)-y_set
其中，y(n)为第一温度序列中的第一子温度，y_set为第一温度。
步骤c，根据所述误差和第一训练步长，确定所述神经网络输出层的输出控制量。
在本实施例中，在计算环境温度与目标室内机的温度设定值之间的误差后，通过神经网络，获取该误差，根据获取到的误差和第一训练步长，计算神经网络中所有的激活值，其中激活值包括隐藏层的输入、隐藏层的输出，以及输出层的输出等。之后，针对每一层的每一个节点，计算每个节点的新的权值和阈值，从而计算神经网络输出层的输出控制量。若输入神经网络输入层的第一温度序列为{y(n),y(n-1),...,y(n-m-1),y(n-m)}，则该神经网络有(m+1)个输入，神经网络输入层具有(m+1)个神经元，神经网络中的激活值的计算如下：
隐藏层的输入βq的计算公式为：
隐藏层的输出bq的计算公式为：
bq＝f(βq)
输出层的输出u(n)的计算公式为：
其中，νk,q为神经网络输入神经元与隐藏神经元之间的权值，θ1为输入神经元与隐藏神经元之间的阈值，wk为神经网络隐藏神经元与输出神经元之间的权值，θ2为隐藏神经元与输出神经元之间的阈值，函数f(x)为隐藏层输出的激活函数，函数f(x)可以是Sigmoid函数、tanh函数、Relu函数等等；
进一步地，在一实施例中，步骤c包括：
步骤c1，获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值；
在本实施例中，通过历史调节数据或初始化数据，获取当前的神经网络的输入层与隐含层之间的第一权值和第一阈值、隐含层与输出层之间的第二权值和第二阈值，以确定新的权值和阈值。
步骤c2，根据所述第一权值、第一阈值、第二权值、第二阈值、误差和第一训练步长，确定所述第一权值的第一权值偏置量、第一阈值的第一阈值偏置量、第二权值的第二权值偏置量，以及第二阈值的第二阈值偏置量；
在本实施例中，获取神经网络中所有的激活值后，包括获取当前的神经网络的输入层与隐含层之间的第一权值和第一阈值、隐含层与输出层之间的第二权值和第二阈值，对神经网络进行反向传播过程的运算，针对神经网络每一层的每一个节点，计算每个节点的新的权值和阈值。首先根据神经网络中的激活值、第一权值、第一阈值、第二权值、第二阈值、误差和第一训练步长，计算新的权值和阈值的偏置量，即第一权值的第一权值偏置量、第一阈值的第一阈值偏置量、第二权值的第二权值偏置量，以及第二阈值的第二阈值偏置量。新的权值和阈值的偏置量计算如下：
第一权值的第一权值偏置量的计算公式为：
第一阈值的第一阈值偏置量的计算公式为：
第二权值的第二权值偏置量的计算公式为：
第二阈值的第二阈值偏置量的计算公式为：
其中，steplength为第一训练步长，wk为当前神经网络激活值中的第一权值，e(n)为误差，bk为神经网络激活值中的隐藏层的输出，y(n-k)为神经网络输入层的输入；函数J为神经网络的优化目标函数，函数J代表的含义为求解当前室内机的环境温度对应的温度序列与设定温度的差值的最优解，公式如下：
J＝min∑(y(n)-y_set)2
步骤c3，根据所述第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定所述输出控制量。
在本实施例中，确定第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量后，通过神经网络，获取该第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定神经网络输出层的输出控制量。
进一步地，在一实施例中，根据所述第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定所述输出控制量的步骤包括：
步骤c31，根据所述第一权值和第一权值偏置量，确定所述神经网络的输入层与隐含层之间的第三权值；
在本实施例中，确定第一权值偏置量后，通过神经网络，获取第一权值和第一权值偏置量，根据第一权值和第一权值偏置量，确定新的权值，新的权值包括神经网络的输入层与隐含层之间的第三权值，第三权值vj,k'的计算公式为：
其中，vj,k为第一权值，为第一权值偏置量。
步骤c32，根据所述第一阈值和第一阈值偏置量，确定所述神经网络的输入层与隐含层之间的第三阈值；
在本实施例中，计算第一阈值偏置量完成后，通过神经网络，获取第一阈值和第一阈值偏置量，计算新的阈值，新的阈值包括神经网络的输入层与隐含层之间的第三阈值，第三阈值θ1'的计算公式为：
其中，θ1为第一阈值，为第一阈值偏置量。
步骤c33，根据所述第二权值和第二权值偏置量，确定所述神经网络的隐含层与输出层之间的第四权值；
在本实施例中，计算第二权值偏置量完成后，通过神经网络，获取第二权值和第二权值偏置量，计算新的权值，新的权值包括神经网络的隐含层与输出层之间的第四权值，第四权值wk'的计算公式为：
其中，wj,k为第一权值，为第一权值偏置量。
步骤c34，根据所述第二阈值和第二阈值偏置量，确定所述神经网络的隐含层与输出层之间的第四阈值；
在本实施例中，计算第二阈值偏置量完成后，通过神经网络，获取第二阈值和第二阈值偏置量，计算新的阈值，新的阈值包括神经网络的输入层与隐含层之间的第四阈值，第四阈值θ2'的计算公式为：
其中，θ2为第二阈值，为第一阈值偏置量。
步骤c35，根据所述第三权值、第三阈值、第四权值和第四阈值，确定所述神经网络输出层的输出控制量。
在本实施例中，计算第三权值、第三阈值、第四权值和第四阈值完成后，通过神经网络，获取该第三权值、第三阈值、第四权值和第四阈值，根据新的权值和阈值计算神经网络输出层的输出控制量，新的权值包括第三权值和第四权值，新的阈值包括第三阈值和第四阈值，即神经网络根据第三权值、第三阈值、第四权值和第四阈值，计算神经网络输出层的输出控制量。输出控制量的计算公式为：
本实施例提出的空调控制方法，通过获取所述第一温度序列中的第一子温度，其中，所述第一子温度为第一温度序列中的首个子温度，根据所述第一子温度和第一温度，基于所述神经网络确定所述环境温度与所述目标室内机的温度设定值之间的误差，根据所述误差和第一训练步长，确定所述神经网络输出层的输出控制量，获取第一子温度，以准确计算环境温度与所述目标室内机的温度设定值之间的误差，进一步准确计算输出控制量，提高输出控制量的准确性，进而提高目标室内机对应的冷媒管道的阀门开度调节的准确性，提高目标室内机对应的室内环境温度调节的准确性。
基于第一实施例，提出本发明空调控制方法的第三实施例，在本实施例中，步骤S10之前包括：
步骤d，获取所述神经网络当前的第二训练步长；
在本实施例中，在神经网络的训练过程中，通过初始设置值或历史数据中，实时获取神经网络当前的训练步长作为第二训练步长。
所述获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值的步骤包括：
步骤e，判断所述第二训练步长是否等于所述第一训练步长；若所述第二训练步长不等于所述第一训练步长，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数；根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值。
在本实施例中，获取第二训练步长后，通过判断第二训练步长是否等于第一训练步长，以判断当前是否需要重新开始训练神经网络，使神经网络重新迭代训练。具体地，若第二训练步长不等于第一训练步长，则重新开始训练神经网络，初始化设置第一权值和第一阈值、第二权值和第二阈值。初始化设置第一权值和第一阈值、第二权值和第二阈值，首先获取神经网络隐含层的神经元节点数、输入层的输入序列维数，以及输出层的输出序列维数，然后根据获取到的神经元节点数、输入序列维数和输出序列维数，计算第一权值和第一阈值、第二权值和第二阈值。其中，初始化设置第一权值和第一阈值、第二权值和第二阈值的计算公式为：
第一权值：
vk＝0.5*rand(HiddenUnitNum,InDim)-0.2
第一阈值：
θ1＝0.5*rand(HiddenUnitNum,1)-0.2
第二权值：
wk＝0.5*rand(OutDim,HiddenUnitNum)-0.2
第二阈值：
θ2＝0.5*rand(OutDim,1)-0.2
其中，HiddenUnitNum为神经元节点数、InDim为输入层的输入序列维数，以及OutDim为输出层的输出序列维数、rand(x)为随机赋值函数。
进一步地，第一权值和第一阈值、第二权值和第二阈值需要进行随机初始化，而不是全部置为0或相等的值。如果所有权值和阈值都用相同的值作为初始值，那么所有隐藏层单元最终会得到与输入值有关的、相同的函数，因此对第一权值和第一阈值、第二权值和第二阈值进行随机初始化的目的是使神经网络对称失效。
进一步地，在一实施例中，判断所述第二训练步长是否等于所述第一训练步长的步骤包括：
步骤e1，若所述第二训练步长等于所述第一训练步长，则确定当前是否存在所述目标室内机对应的历史调节数据；
本实施例中，判断第二训练步长是否等于第一训练步长后，若第二训练步长等于第一训练步长，则不需要使神经网络重新迭代训练，进行判断当前是否存在目标室内机对应的历史调节数据。通过判断当前是否存在目标室内机对应的历史调节数据，确定是否第一次训练神经网络。具体地，若存在目标室内机对应的历史调节数据，则不是第一次训练神经网络；若不存在目标室内机对应的历史调节数据，则是第一次训练神经网络。
步骤e2，若不存在所述目标室内机对应的历史调节数据，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数，根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值；
本实施例中，若不存在目标室内机对应的历史调节数据，则是第一次训练神经网络，需要初始化设置第一权值和第一阈值、第二权值和第二阈值，首先获取神经网络隐含层的神经元节点数、输入层的输入序列维数，以及输出层的输出序列维数，然后根据获取到的神经元节点数、输入序列维数和输出序列维数，计算第一权值和第一阈值、第二权值和第二阈值。
步骤e3，若存在所述目标室内机对应的历史调节数据，则基于所述历史调节数据，获取所述第一权值和第一阈值、第二权值和第二阈值。
本实施例中，若存在目标室内机对应的历史调节数据，则不是第一次训练神经网络，则继续训练神经网络，基于已经训练的神经网络的历史调节数据，从中获取第一权值和第一阈值、第二权值和第二阈值，以继续进行下一次的神经网络的训练，具体地，在历史调节数据中获取上一次调节目标室内机对应的冷媒管道的阀门开度时的第三权值、第三阈值、第四权值和第四阈值，并将获取到的第三权值作为第一权值、第三阈值作为第一阈值、第四权值作为第二权值、第四阈值作为第二阈值。
本实施例提出的空调控制方法，通过获取所述神经网络当前的第二训练步长，所述获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值的步骤包括：判断所述第二训练步长是否等于所述第一训练步长，若所述第二训练步长不等于所述第一训练步长，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数，根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值，对第一权值和第一阈值、第二权值和第二阈值进行随机初始化的目的是使神经网络对称失效，同时可以准确地获取第一权值和第一阈值、第二权值和第二阈值，保证神经网络的训练的有序进行，提高了神经网络训练的稳定性和准确性，从而保证神经网络可进一步求解得目标函数的最优解。
基于第一实施例，提出本发明空调控制方法的第四实施例，在本实施例中，步骤S10之前包括：
步骤f，获取所述目标室内机所处环境的环境温度对应的第二温度序列；
在本实施例中，通过中央空调中的温度检测装置，实时检测目标室内机所处环境的环境温度。将检测到的连续的环境温度转换成离散的温度值，并按照时间顺序将离散的温度值依次存进温度序列中去，通过中央空调的控制装置获取当前存储的温度序列，以获得第二温度序列，其中当前时刻检测到的温度值为第二温度序列的首个子温度获取当前存储的温度序列。
步骤g，基于所述第二温度序列，确定所述神经网络的第一训练步长。
其中，第一训练步长为计算神经网络正向输出时的输出控制量，以及在训练神经网络过程中，收敛神经网络的输出控制量的重要参数。
在本实施例中，在实时更新神经网络的训练步长的线程中，中央空调的控制装置获取该第二温度序列后，基于该第二温度序列，在第二温度序列中的子温度值筛选，在线捕捉子温度的峰值和谷值，并将捕捉到的峰值和谷值存进缓存区，如果实时获取第二温度序列中的子温度值相对设定值发生符号变化，此时进行一次峰值缓冲区动态更新，如果连续几次捕捉到的峰值没有按预设规则缩减同时系统输出值与设定值之间的误差超出一定范围，那么缩减训练步长。在每次顶点缓冲区实现动态滚动一次，只进行一次步长更新操作，以确定神经网络的第一训练步长。
由于多层前馈神经网络的学习速率是固定的，导致神经网络的收敛速度慢，在线应用时需要较长的收敛时间，甚至初始步长选取不当可能造成网络训练结果不收敛，因此神经网络通过实时获取该第二温度序列，基于第二温度序列，确定神经网络的第一训练步长，实时调整训练步长，使神经网络训练结果收敛，缩短神经网络训练时间，提高训练速率。
进一步地，在一实施例中，基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤包括：
步骤g1，获取所述第二温度序列中的第一子温度、第二子温度，以及缓存区的第一缓存区中存储的第一缓存值，其中，所述第一子温度为所述第二温度序列中的首个子温度，第二子温度为所述第二温度序列中的第二个子温度；
其中，第一子温度为第二温度序列中的首个子温度，第二子温度为第二温度序列中的第二个子温度；缓存区包括第一缓存区、第二缓存区和第三缓存区，第一缓存区为缓存区中的第一个缓存区。
在本实施例中，在采样第二温度序列完成后，获取第二温度序列中的第一子温度和第二子温度，实时获取第二温度序列，同时也在实时获取第一子温度和第二子温度，即第一子温度和第二子温度都在实时更新。若第二温度序列为{y(n),y(n-1),...,y(n-m-1),y(n-m)}，则第一子温度为y(n)，第二子温度为y(n-1)，n为实数，n在不断增加。第一缓存值为缓存区的第一缓存区中存储的值。
获取第一子温度和第二子温度的同时，获取缓存区的第一缓存区中存储的第一缓存值。在获取缓存值之前，为捕捉峰值和谷值的过程预设一个缓存区如下，缓冲区长度默认为3，缓冲区可以是Peak＝[yt(0),yt(1),yt(2)]，yt(0)为第一缓存区，yt(1)为第二缓存区，yt(2)为第三缓存区，建立缓存区以便缓存当前捕捉的峰值和谷值，即在更新峰值和谷值的同时，将当前捕捉的峰值和谷值存储进缓存区。
步骤g2，判断所述第一子温度与所述第一缓存值的乘积是否小于第一预设阈值；
在本实施例中，获取第一子温度和第一缓存值后，将第一子温度与第一缓存值相乘，判断第一子温度与第一缓存值的乘积是否小于第一预设阈值，以判断第一子温度是否在上升或者下降，其中，第一预设阈值一般为0。具体地，若第一子温度y(n)与第一缓存值yt(0)的乘积小于第一预设阈值，则说明第一子温度y(n)在继续上升或继续下降，说明有新的峰值或谷值到来；若第一子温度y(n)与第一缓存值yt(0)的乘积大于第一预设阈值，说明第一子温度y(n)没有发生变化，说明当前无新的峰值或谷值到来。
步骤g3，若所述第一子温度与所述第一缓存值的乘积小于第一预设阈值，则基于所述第一子温度和所述第二子温度，确定所述神经网络的第一训练步长；
在本实施例中，在判断第一子温度与第一缓存值的乘积是否小于零后，若第一子温度与第一缓存值的乘积小于零，说明第一子温度y(n)在继续上升或继续下降，说明有新的峰值或谷值到来，则基于所获取的第一子温度和第二子温度，以确定神经网络的第一训练步长。例如，当y(n)*yt(0)小于零的时候，说明实时获取的环境温度y(n)变号，这时说明实时环境温度y(n)在继续上升或继续下降，说明会有新的峰值或谷值到来。
步骤g4，若所述乘积大于或等于所述第一预设阈值，则获取所述目标室内机所处环境的环境温度对应的第三温度序列，将所述第三温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在本实施例中，若第一子温度与第一缓存值的乘积大于或等于第一预设阈值，说明第一子温度y(n)没有发生变化，说明当前无新的峰值或谷值到来，需要执行获取目标室内机所处环境的环境温度对应的第三温度序列，将第三温度序列作为第二温度序列，并继续执行基于第二温度序列，确定神经网络的第一训练步长的步骤，以判断是否需要更新当前训练步长，以获取新的第一训练步长，否则直接获取当前训练步长作为第一训练步长，其中，第三温度序列与第二温度序列的获取方式类似，在此不再赘述。
进一步地，在一实施例中，基于所述第一子温度和所述第二子温度，确定所述神经网络的第一训练步长的步骤包括：
步骤g5，判断所述第一子温度是否大于所述第二子温度；
在本实施例中，判断第一子温度与第一缓存值的乘积是否小于第一预设阈值后，若第一子温度与第一缓存值的乘积小于零，则中央空调的控制装置继续判断第一子温度是否大于第二子温度。通过判断第一子温度是否大于第二子温度，以判断第一子温度在继续上升还是在继续下降。
步骤g6，若所述第一子温度大于所述第二子温度，则判断所述第二子温度是否大于第二预设阈值；
在本实施例中，若第一子温度y(n)大于第二子温度y(n-1)，则进行判断第二子温度y(n-1)是否大于第二预设阈值，其中，第二预设阈值一般为0。具体地，若第一子温度y(n)小于第二子温度y(n-1)，进行判断第二子温度y(n-1)是否小于第二预设阈值。具体地，若y(n)>y(n-1)>0，说明实时环境温度y(n)在上升，会有新的峰值到来；若y(n)<y(n-1)<0，说明实时环境温度y(n)在下降，会有新的谷值到来。进一步地，通过不断获取y(n)与y(n-1)以判断是否存在更大的y(n)或更小的y(n)，以得到更大的y(n)作为峰值，或者以得到更小的y(n)作为谷值。
步骤g7，若所述第二子温度大于第二预设阈值，则调整所述第一缓存区中的值、第二缓存区中的值和第三缓存区中的值，基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定所述神经网络的第一训练步长；
在本实施例中，若第二子温度大于第二预设阈值，即y(n)>y(n-1)>0，说明实时环境温度y(n)在上升，会有新的峰值到来，则调整第一缓存区中的值、第二缓存区中的值和第三缓存区中的值，基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定神经网络的第一训练步长。
步骤g8，若所述第二子温度小于或等于第二预设阈值，则获取所述目标室内机所处环境的环境温度对应的第四温度序列，将所述第四温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在本实施例中，若第二子温度小于或等于第二预设阈值，则需要获取目标室内机所处环境的环境温度对应的第四温度序列，将第四温度序列作为第二温度序列，并继续执行基于第二温度序列，确定神经网络的第一训练步长的步骤，以判断是否需要更新当前训练步长，以获取新的第一训练步长，否则直接获取当前训练步长作为第一训练步长，其中，第四温度序列与第二温度序列的获取方式类似，在此不再赘述。
进一步地，在一实施例中，基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定所述神经网络的第一训练步长的步骤包括：
步骤g9，获取调整后的第一缓存区中的第二缓存值、调整后的第二缓存区中的第三缓存值，以及调整后的第三缓存区中的第四缓存值；
其中，第二缓存值、第三缓存值和第四缓存值为缓存区中存储的峰值或谷值；调整后的第一缓存区、第二缓存区和第三缓存区同样存储的是当前筛选出来的峰值和谷值。
在本实施例中，更新并调整第一缓存区、第二缓存区和第三缓存区中的峰值或谷值后，获取调整后的缓存区中新的峰值或谷值，即获取调整后的第一缓存区中的第二缓存值、调整后的第二缓存区中的第三缓存值，以及调整后的第三缓存区中的第四缓存值。
步骤g10，基于所述第二缓存值、第三缓存值和第四缓存值，确定所述神经网络的第一训练步长。
在本实施例中，获取缓存区中新的峰值或谷值后，基于新的峰值或谷值，即基于第二缓存值、第三缓存值和第四缓存值，确定神经网络的第一训练步长。
进一步地，在一实施例中，基于第二缓存值、第三缓存值和第四缓存值，确定神经网络的第一训练步长的步骤包括：
步骤g11，获取所述中央空调目标室内机当前设定的第二温度；
在本实施例中，在当前更新神经网络的训练步长的线程中，基于第二缓存值、第三缓存值和第四缓存值，确定神经网络的第一训练步长的步骤之前，先获取中央空调目标室内机当前设定的第二温度y_set。
步骤g12，判断所述第二缓存值与所述第二温度之差的第一绝对值是否大于所述第三缓存值与所述第二温度之差的第二绝对值，且所述第二绝对值是否大于或等于所述第四缓存值与所述第二温度之差的第三绝对值；
在本实施例中，获取中央空调目标室内机当前设定的第二温度y_set后，判断第二缓存值yt(0)_与第二温度y_set的差的第一绝对值是否大于第三缓存yt(1)值与第二温度y_set的差的第二绝对值，且第二绝对值是否大于或等于第四缓存值yt(2)与第二温度y_set的差的第三绝对值，即判断abs(yt(0)-y_set)是否大于abs(yt(1)-y_set)，且abs(yt(1)-y_set)是否大于等于abs(yt(2)-y_set)，以判断峰值或谷值与设定值之差的绝对值是否在逐渐增加或不变，以判断峰值或阈值即当前环境温度是否发生震荡。
步骤g13，若所述第一绝对值大于所述第二绝对值，且所述第二绝对值大于或等于所述第三绝对值，则获取所述神经网络当前的第三训练步长和缩减比例，并基于所述第三训练步长和缩减比例，确定所述神经网络的第一训练步长；
在本实施例中，若第一绝对值大于第二绝对值，且第二绝对值大于或等于第三绝对值，即若满足abs(yt(0)-y_set)>abs(yt(1)-y_set)且abs(yt(1)-y_set)>＝abs(yt(2)-y_set)，说明峰值或谷值与设定值的差距的绝对值在逐渐增加或不变，说明当前环境温度在越来越强烈的震荡，这时候就需要调整步长，则获取神经网络当前的第二训练步长steplength和缩减比例b，更新神经网络当前的第一训练步长，其中，第一训练步长steplength'的计算公式为：
steplength'＝b*steplength
其中，b为缩减比例，steplength为第二训练步长。
步骤g14，若所述第一绝对值小于或等于所述第二绝对值，或所述第二绝对值小于所述第三绝对值，则获取所述目标室内机所处环境的环境温度对应的第五温度序列，将所述第五温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在本实施例中，若第一绝对值小于或等于第二绝对值，或第二绝对值小于第三绝对值，即若满足abs(yt(0)-y_set)<＝abs(yt(1)-y_set)或abs(yt(1)-y_set)<abs(yt(2)-y_set)，则获取目标室内机所处环境的环境温度对应的第五温度序列，将第五温度序列作为第二温度序列，并继续执行基于第二温度序列，确定神经网络的第一训练步长的步骤，以判断是否需要更新当前训练步长，以获取新的第一训练步长，否则直接获取当前训练步长作为第一训练步长，其中，第五温度序列与第二温度序列的获取方式类似，在此不再赘述。
进一步地，在一实施例中，调整所述第一缓存区中的值、第二缓存区中的值和第三缓存区中的值的步骤，还包括：
步骤g15，将所述第二缓存区的值存至所述第三缓存区，将所述第一缓存区的值存至第二缓存区，将所述第一子温度存至第一缓存区。
在本实施例中，调整第一缓存区、第二缓存区和第三缓存区中的值的步骤包括：将第二缓存区中的值存至第三缓存区，将第一缓存区中的值存至第二缓存区，将第一子温度存至第一缓存区。
进一步地，在一实施例中，判断所述第一子温度是否大于所述第二子温度的步骤，还包括：
步骤g16，若所述第一子温等于所述第二子温度，则获取所述目标室内机所处环境的环境温度对应的第六温度序列，将所述第六温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤；
在本实施例中，若所述第一子温等于所述第二子温度，说明第一子温度没有发生变化，则获取目标室内机所处环境的环境温度对应的第六温度序列，将第六温度序列作为第二温度序列，并继续执行基于第二温度序列，确定神经网络的第一训练步长的步骤，以判断是否需要更新当前训练步长，以获取新的第一训练步长，否则直接获取当前训练步长作为第一训练步长，其中，第六温度序列与第二温度序列的获取方式类似，在此不再赘述。
步骤g17，若所述第一子温度小于所述第二子温度，则判断所述第二子温度是否小于第二预设阈值；
在本实施例中，若第一子温度y(n)小于第二子温度y(n-1)，进行判断第二子温度y(n-1)是否小于第二预设阈值，其中，第二预设阈值一般为0，当y(n)<y(n-1)<0，说明实时环境温度y(n)在不断下降，会有新的谷值到来。
步骤g18，若所述第二子温度小于第二预设阈值，则执行所述调整所述第一缓存区、第二缓存区和第三缓存区中的值，基于所述第一缓存区、第二缓存区和第三缓存区中的值，确定所述神经网络的第一训练步长的步骤。
在本实施例中，若第二子温度y(n-1)小于第二预设阈值，说明实时环境温度在下降，即y(n)<y(n-1)<0，会有新的谷值到来，并且将新到来的谷值存至缓存区，进而更新并且调整第一缓存区、第二缓存区和第三缓存区中的值，基于第一缓存区、第二缓存区和第三缓存区中新存储的峰值或谷值，确定神经网络的第一训练步长。
进一步地，在一实施例中，判断所述第二子温度是否小于第二预设阈值的步骤，还包括：
步骤g19，若所述第二子温度大于或等于第二预设阈值，则获取所述目标室内机所处环境的环境温度对应的第七温度序列，将所述第七温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
在本实施例中，若第二子温度大于或等于第二预设阈值，则获取目标室内机所处环境的环境温度对应的第七温度序列，将第七温度序列作为第二温度序列，并继续执行基于第二温度序列，确定神经网络的第一训练步长的步骤，以判断是否需要更新当前训练步长，以获取新的第一训练步长，否则直接获取当前训练步长作为第一训练步长，其中，第七温度序列与第二温度序列的获取方式类似，在此不再赘述。
本实施例提出的空调控制方法，通过获取所述目标室内机所处环境的环境温度对应的第二温度序列，基于所述第二温度序列，确定所述神经网络的第一训练步长，以准确确定神经网络当前的第一训练步长，提高第一训练步长的准确性，由于多层前馈神经网络的学习速率是固定的，导致神经网络的收敛速度慢，在线训练时需要较长的收敛时间，甚至初始训练步长选取不当可能造成网络训练结果不收敛，因此神经网络通过实时获取该第二温度序列，基于第二温度序列，确定神经网络的第一训练步长，实时调整和更新训练步长，使神经网络训练结果收敛，缩短神经网络训练时间，提高训练速率。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有空调控制程序，所述空调控制程序被处理器执行时实现如上述中任一项所述的空调控制方法的步骤。
本发明计算机可读存储介质具体实施例与上述空调控制方法的各实施例基本相同，在此不再详细赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (16)

1.一种空调控制方法，其特征在于，所述空调控制方法包括以下步骤：
获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长；
根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量；
根据所述输出控制量，调节所述目标室内机对应的冷媒管道的阀门开度，以调节所述目标室内机的冷媒流量。
2.如权利要求1所述的空调控制方法，其特征在于，所述根据所述第一温度序列、第一温度和第一训练步长，确定所述神经网络输出层的输出控制量的步骤包括：
获取所述第一温度序列中的第一子温度，其中，所述第一子温度为第一温度序列中的首个子温度；
根据所述第一子温度和第一温度，基于所述神经网络确定所述环境温度与所述目标室内机的温度设定值之间的误差；
根据所述误差和第一训练步长，确定所述神经网络输出层的输出控制量。
3.如权利要求2所述的空调控制方法，其特征在于，所述根据所述误差和第一训练步长，确定所述神经网络输出层的输出控制量的步骤包括：
获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值；
根据所述第一权值、第一阈值、第二权值、第二阈值、误差和第一训练步长，确定所述第一权值的第一权值偏置量、第一阈值的第一阈值偏置量、第二权值的第二权值偏置量，以及第二阈值的第二阈值偏置量；
根据所述第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定所述输出控制量。
4.如权利要求3所述的空调控制方法，其特征在于，所述根据所述第一权值偏置量、第一阈值偏置量、第二权值偏置量和第二阈值偏置量，确定所述输出控制量的步骤包括：
根据所述第一权值和第一权值偏置量，确定所述神经网络的输入层与隐含层之间的第三权值；
根据所述第一阈值和第一阈值偏置量，确定所述神经网络的输入层与隐含层之间的第三阈值；
根据所述第二权值和第二权值偏置量，确定所述神经网络的隐含层与输出层之间的第四权值；
根据所述第二阈值和第二阈值偏置量，确定所述神经网络的隐含层与输出层之间的第四阈值；
根据所述第三权值、第三阈值、第四权值和第四阈值，确定所述神经网络输出层的输出控制量。
5.如权利要求3所述的空调控制方法，其特征在于，所述获取中央空调目标室内机所处环境的环境温度对应的第一温度序列、所述目标室内机当前设定的第一温度和神经网络的第一训练步长的步骤之前，还包括：
获取所述神经网络当前的第二训练步长；
所述获取所述神经网络的输入层与隐含层之间的第一权值和第一阈值、所述隐含层与输出层之间的第二权值和第二阈值的步骤包括：
判断所述第二训练步长是否等于所述第一训练步长；
若所述第二训练步长不等于所述第一训练步长，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数；
根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值。
6.如权利要求5所述的空调控制方法，其特征在于，所述判断所述第二训练步长是否等于所述第一训练步长的步骤，还包括：
若所述第二训练步长等于所述第一训练步长，则确定当前是否存在所述目标室内机对应的历史调节数据；
若不存在所述目标室内机对应的历史调节数据，则获取所述神经网络隐含层的神经元节点数、所述神经网络输入层的输入序列维数，以及所述神经网络输出层的输出序列维数，根据所述神经元节点数、输入序列维数和输出序列维数，确定所述第一权值和第一阈值、第二权值和第二阈值；
若存在所述目标室内机对应的历史调节数据，则基于所述历史调节数据，获取所述第一权值和第一阈值、第二权值和第二阈值。
7.如权利要求1至6任一项所述的空调控制方法，其特征在于，所述获取神经网络的第一训练步长的步骤包括：
获取所述目标室内机所处环境的环境温度对应的第二温度序列；
基于所述第二温度序列，确定所述神经网络的第一训练步长。
8.如权利要求7所述的空调控制方法，其特征在于，所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤包括：
获取所述第二温度序列中的第一子温度、第二子温度，以及缓存区的第一缓存区中存储的第一缓存值，其中，所述第一子温度为所述第二温度序列中的首个子温度，第二子温度为所述第二温度序列中的第二个子温度；
判断所述第一子温度与所述第一缓存值的乘积是否小于第一预设阈值；
若所述第一子温度与所述第一缓存值的乘积小于第一预设阈值，则基于所述第一子温度和所述第二子温度，确定所述神经网络的第一训练步长；
若所述乘积大于或等于所述第一预设阈值，则获取所述目标室内机所处环境的环境温度对应的第三温度序列，将所述第三温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
9.如权利要求8所述的空调控制方法，其特征在于，所述缓存区包括第一缓存区、第二缓存区和第三缓存区，所述基于所述第一子温度和所述第二子温度，确定所述神经网络的第一训练步长的步骤包括：
判断所述第一子温度是否大于所述第二子温度；
若所述第一子温度大于所述第二子温度，则判断所述第二子温度是否大于第二预设阈值；
若所述第二子温度大于第二预设阈值，则调整所述第一缓存区中的值、第二缓存区中的值和第三缓存区中的值，基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定所述神经网络的第一训练步长；
若所述第二子温度小于或等于第二预设阈值，则获取所述目标室内机所处环境的环境温度对应的第四温度序列，将所述第四温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
10.如权利要求9所述的空调控制方法，其特征在于，所述基于调整后的第一缓存区、调整后的第二缓存区和调整后的第三缓存区，确定所述神经网络的第一训练步长的步骤包括：
获取调整后的第一缓存区中的第二缓存值、调整后的第二缓存区中的第三缓存值，以及调整后的第三缓存区中的第四缓存值；
基于所述第二缓存值、第三缓存值和第四缓存值，确定所述神经网络的第一训练步长。
11.如权利要求10所述的空调控制方法，其特征在于，所述基于所述第二缓存值、第三缓存值和第四缓存值，确定所述神经网络的第一训练步长的步骤包括：
获取所述中央空调目标室内机当前设定的第二温度；
判断所述第二缓存值与所述第二温度之差的第一绝对值是否大于所述第三缓存值与所述第二温度之差的第二绝对值，且所述第二绝对值是否大于或等于所述第四缓存值与所述第二温度之差的第三绝对值；
若所述第一绝对值大于所述第二绝对值，且所述第二绝对值大于或等于所述第三绝对值，则获取所述神经网络当前的第三训练步长和缩减比例，并基于所述第三训练步长和缩减比例，确定所述神经网络的第一训练步长；
若所述第一绝对值小于或等于所述第二绝对值，或所述第二绝对值小于所述第三绝对值，则获取所述目标室内机所处环境的环境温度对应的第五温度序列，将所述第五温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
12.如权利要求9所述的空调控制方法，其特征在于，所述调整所述第一缓存区中的值、第二缓存区中的值和第三缓存区中的值的步骤，还包括：
将所述第二缓存区的值存至所述第三缓存区，将所述第一缓存区的值存至第二缓存区，将所述第一子温度存至第一缓存区。
13.如权利要求9所述的空调控制方法，其特征在于，所述判断所述第一子温度是否大于所述第二子温度的步骤，还包括：
若所述第一子温等于所述第二子温度，则获取所述目标室内机所处环境的环境温度对应的第六温度序列，将所述第六温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤；
若所述第一子温度小于所述第二子温度，则判断所述第二子温度是否小于第二预设阈值；
若所述第二子温度小于第二预设阈值，则执行所述调整所述第一缓存区、第二缓存区和第三缓存区中的值，基于所述第一缓存区、第二缓存区和第三缓存区中的值，确定所述神经网络的第一训练步长的步骤。
14.如权利要求13所述的空调控制方法，其特征在于，所述判断所述第二子温度是否小于第二预设阈值的步骤，还包括：
若所述第二子温度大于或等于第二预设阈值，则获取所述目标室内机所处环境的环境温度对应的第七温度序列，将所述第七温度序列作为所述第二温度序列，并继续执行所述基于所述第二温度序列，确定所述神经网络的第一训练步长的步骤。
15.一种空调控制装置，其特征在于，所述空调控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调控制程序，所述空调控制程序被所述处理器执行时实现如权利要求1至14中任一项所述的空调控制方法的步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有空调控制程序，所述空调控制程序被处理器执行时实现如权利要求1至14中任一项所述的空调控制方法的步骤。
CN201910855487.4A 2019-09-09 2019-09-09 空调控制方法、装置及计算机可读存储介质 Active CN110553374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910855487.4A CN110553374B (zh) 2019-09-09 2019-09-09 空调控制方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910855487.4A CN110553374B (zh) 2019-09-09 2019-09-09 空调控制方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110553374A true CN110553374A (zh) 2019-12-10
CN110553374B CN110553374B (zh) 2021-04-27

Family

ID=68739829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910855487.4A Active CN110553374B (zh) 2019-09-09 2019-09-09 空调控制方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110553374B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112503725A (zh) * 2020-12-08 2021-03-16 珠海格力电器股份有限公司 空调自清洁控制方法、装置和空调
CN113739389A (zh) * 2021-08-02 2021-12-03 广东申菱环境系统股份有限公司 一种设定空调场景模式的方法和系统
CN113932351A (zh) * 2021-11-05 2022-01-14 上海理工大学 一种基于人工智能算法的非均匀温度场实时调控系统及方法
CN115031314A (zh) * 2022-06-01 2022-09-09 深圳市瑞尔时代科技有限公司 用于无人值守机房的节能控制系统
CN115437486A (zh) * 2022-11-09 2022-12-06 苏州浪潮智能科技有限公司 基于模型的服务器散热方法、装置、服务器和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08189683A (ja) * 1995-01-09 1996-07-23 Matsushita Electric Ind Co Ltd 空気調和機の制御装置
CN107655160A (zh) * 2017-11-27 2018-02-02 中山路得斯空调有限公司 一种基于神经网络预测的中央空调调节系统
CN107962927A (zh) * 2017-10-30 2018-04-27 深圳依偎控股有限公司 空调控制方法、装置及计算机可读存储介质
CN109297140A (zh) * 2018-10-15 2019-02-01 宁波溪棠信息科技有限公司 一种基于人工智能的空调控制方法
CN109323425A (zh) * 2018-11-15 2019-02-12 广东美的制冷设备有限公司 空调的控制方法、装置及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08189683A (ja) * 1995-01-09 1996-07-23 Matsushita Electric Ind Co Ltd 空気調和機の制御装置
CN107962927A (zh) * 2017-10-30 2018-04-27 深圳依偎控股有限公司 空调控制方法、装置及计算机可读存储介质
CN107655160A (zh) * 2017-11-27 2018-02-02 中山路得斯空调有限公司 一种基于神经网络预测的中央空调调节系统
CN109297140A (zh) * 2018-10-15 2019-02-01 宁波溪棠信息科技有限公司 一种基于人工智能的空调控制方法
CN109323425A (zh) * 2018-11-15 2019-02-12 广东美的制冷设备有限公司 空调的控制方法、装置及可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112503725A (zh) * 2020-12-08 2021-03-16 珠海格力电器股份有限公司 空调自清洁控制方法、装置和空调
CN113739389A (zh) * 2021-08-02 2021-12-03 广东申菱环境系统股份有限公司 一种设定空调场景模式的方法和系统
CN113739389B (zh) * 2021-08-02 2022-09-30 广东申菱环境系统股份有限公司 一种设定空调场景模式的方法和系统
CN113932351A (zh) * 2021-11-05 2022-01-14 上海理工大学 一种基于人工智能算法的非均匀温度场实时调控系统及方法
CN115031314A (zh) * 2022-06-01 2022-09-09 深圳市瑞尔时代科技有限公司 用于无人值守机房的节能控制系统
CN115031314B (zh) * 2022-06-01 2023-08-04 深圳市瑞尔时代科技有限公司 用于无人值守机房的节能控制系统
CN115437486A (zh) * 2022-11-09 2022-12-06 苏州浪潮智能科技有限公司 基于模型的服务器散热方法、装置、服务器和存储介质

Also Published As

Publication number Publication date
CN110553374B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN110553374B (zh) 空调控制方法、装置及计算机可读存储介质
Chen et al. Kernel least mean square with adaptive kernel size
CN107203134B (zh) 一种基于深度卷积神经网络的前车跟随方法
WO2017091629A1 (en) Reinforcement learning using confidence scores
CN108989889B (zh) 一种视频播放量预测方法、装置及电子设备
JP7516411B2 (ja) ダブルアクタークリティックアルゴリズムを通じた強化学習
US10796226B2 (en) Laser processing apparatus and machine learning device
CN112286150B (zh) 一种智能家居设备管理方法、装置、系统及存储介质
JP2020506488A (ja) バッチ再正規化層
CN108489015A (zh) 基于极点配置和帕德近似的空调系统温度控制方法
CN113819636B (zh) 辐射空调系统的控制方法、装置及存储介质
JP6885085B2 (ja) 制御装置、制御方法、および、制御プログラム
CN110631221A (zh) 一种空调的控制方法、装置、终端及存储介质
JP6946654B2 (ja) 制御装置、制御方法、および、制御プログラム
CN115039111A (zh) 用于强化学习的任务优先化的经验回放算法
CN113467644A (zh) 触控设备的校准方法和装置、终端设备及存储介质
CN109520098B (zh) 一种压缩机频率的控制方法、控制装置及空调器
JP7148944B2 (ja) 制御装置
JP2010181082A (ja) モデル関数処理装置および方法
JP2016173708A (ja) 制御装置および制御方法
JP7360162B2 (ja) 制御系設計方法及び制御装置
CN113031435A (zh) 数字式双频扩张状态观测器及扰动观测方法
JP3259115B2 (ja) コントローラ
CN108646565B (zh) 一种滑膜控制方法、系统、装置及计算机可读存储介质
JP6645994B2 (ja) ゲインの最適化を学習する機械学習装置及び機械学習装置を備えた電動機制御装置並びに機械学習方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210219

Address after: Room C, 14th floor, 309 Tanggu Road, Hongkou District, Shanghai 200080

Applicant after: Shanghai Meikong Intelligent Building Co.,Ltd.

Applicant after: GD MIDEA HEATING & VENTILATING EQUIPMENT Co.,Ltd.

Address before: 528311 Industrial Road, Penglai Road, Beijiao Town, Shunde District, Guangdong, Foshan

Applicant before: GD MIDEA HEATING & VENTILATING EQUIPMENT Co.,Ltd.

Applicant before: MIDEA GROUP Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant